NVIDIA Kumo Forecast：结合预训练时序表示与历史模式检索的可解释预测模型
NVIDIA Kumo Forecast Combines Pretrained Time-Series Representations with Historical Pattern Retrieval and Interpretability
NVIDIA Kumo Forecast（原 NV-Tesseract Forecasting）是基于 MOMENT-1-large 主干的多变量时序预测模型，约 3.4 亿参数编码器加可训练预测头，编码器权重冻结。其 DARR 模式通过 k 近邻从历史数据检索模式并与直接预测融合，另提供按预测步长输出滞后与特征归因的可解释框架。模型以 Apache 2.0 许可发布，支持 256 至 2048 的输入序列长度。
正文 · AI 翻译
要点（TL;DR）
NVIDIA Kumo Forecast（原名为 NV-Tesseract Forecasting）是一种多变量时间序列预测模型，它将预训练的 Transformer 主干与领域感知表示与检索（Domain-Aware Representation and Retrieval，DARR）相结合。DARR 是一种上下文增强的预测模式，它将模型直接预测与从历史数据中检索到的模式相融合。这还包括结果的可解释性。Kumo Forecast 基于 MOMENT-1-large 主干构建，使用约 3.4 亿参数的基座编码器以及一个可训练的预测头。
该库提供以 DataFrame 为先的 API、可配置的预测时域、用于检索的可选历史上下文，以及一个可解释性框架，该框架无需修改底层预测器即可生成针对各预测时域的解释。
Kumo-Forecast 在 Apache 2.0 许可证下提供。
预测系统可以利用两种不同的信息来源：预训练期间学习到的表示，以及当前应用可用的历史观测数据。Kumo-Forecast 通过一个预训练预测模型和一条可选的历史上下文检索路径将二者结合起来。
在其直接预测路径中，Kumo-Forecast 使用基于 MOMENT 的 Transformer 和训练好的预测头来预测未来值。在领域感知表示与检索（DARR）模式下，它还会使用最近邻方法从历史数据中检索相关模式，并将该信息与直接预测相结合。
这在模型的输入窗口与其检索上下文之间形成了区分。输入窗口为预测提供近期观测数据；一个单独的历史 DataFrame 可以为模式检索提供额外上下文。开发者可以通过该库的配置选项调整最终预测对每条路径的依赖程度。
有关 DARR 模式的更多信息，可参阅这篇已发表的论文《Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains》。
Kumo Forecast 的工作原理
Kumo-Forecast 结合了四个主要组件：预训练时间编码器、可训练预测头、历史模式检索机制和可解释性框架。
预训练时间表示：该模型使用 MOMENT-1-large Transformer 编码器作为其主干。该架构在训练预测头时保持编码器和嵌入器权重冻结，从而将预训练表示模型与任务特定的预测层分离。
直接预测：预测头将模型的表示映射为所请求时域的未来值。对于超出模型原生能力的时域，支持自回归扩展。这区分了直接生成的预测与通过递归扩展预测得到的更长预测。
领域感知表示与检索：DARR 通过从历史上下文数据中进行 k 近邻检索来增强直接预测。该过程将直接预测与历史模式检索相结合，同时 SDK 通过单独的 context_df 参数接收历史上下文。
可解释性：Kumo-Forecasting 还包含一个模型无关的可解释性框架。启用后，它会生成一个解释包，其中包含每个预测时域的滞后与特征归因、语义流诊断、轨迹稳定性诊断，以及可选的嵌入积分梯度。这些输出随预测一同提供，而无需采用不同的预测架构。
有关可解释性的更多细节，可参阅这篇论文《NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates》。
局限性
数据必须是数值型时间数据。支持的输入序列长度包括 256、512、1024 和 2048 个观测值。输入由一个时间戳列和一个或多个数值列组成，表示为 pandas DataFrame 或 CSV/JSON 输入。使用 DARR 模式时，上下文的维度必须与输入的上下文相似。
演示：预测性维护
工厂运营（FOX）蓝图包含预测性维护模块的早期访问权限，该模块利用 Kumo Anomaly 和 Kumo Forecast。它分析实时数据以预测未来异常。
您的浏览器不支持 video 标签。
演示：平台集成
请点击下方图片访问 GTC San Jose 2026 的会议内容
开始使用 Kumo Forecast 构建
对于特定于应用的评估，请在相同的留出预测窗口上比较直接配置和检索增强配置。在预期时域和运行条件下验证预测质量，以符合 NVIDIA 对用例特定测试的要求
Kumo-TS 仓库还提供了一个在用户提供的 CSV 上微调 Kumo-Forecast 的示例。因此，开发者既拥有预训练推理工作流，也拥有一个已记录的起点，可用于将模型适配到自己的数据。
本文提及的模型 1
nvidia/Kumo-Forecast
来自该作者的更多内容
本文提及的模型 1
nvidia/Kumo-Forecast